Yapay Zeka (YZ)

YZ, sensörleri aracılığıyla çevresini algılayan, etkileşime giren ve başarı şansını en üst düzeye çıkarmak için eylemler gerçekleştiren akıllı unsurların çalışması ve tasarımı ile ilgilenen bir bilgisayar bilimi dalıdır [55,56]. Basitçe YZ, makinelere insan gibi düşünme yeteneği kazandırma işlemidir [57]. Böyle bir işlem insan beyninin öğrenme metodunu taklit etmeye çalışan öğrenme algoritmaları yoluyla mümkün olabilmektedir. Nitekim günümüzde bu öğrenme algortimalarından günlük yaşantının farklı alanlarında yararlanılmaktadır [56]. YZ, günümüz bilgisayar yazılımının durumunu ifade eden ve belli görevleri yapan dar/zayıf YZ, bir bilgisayarın akıl yürütme, planlama, problem çözme, soyut düşünme, karmaşık fikirleri anlama, hızlı öğrenme ve deneyimlerden öğrenme dahil olmak üzere hemen hemen her alanda bir insanın zeka düzeyine eşit olmasıyla ulaşılan yapay zeka düzeyini karşılayan yapay genel zeka (YGZ), bir insanın zeka seviyesini katlayarak birkaç büyüklük derecesiyle aştığında ulaşılan yapay zeka seviyesini karşılayan yapay süper zeka (YSZ) şeklinde tiplendirilmektedir [58,59].

YZ terimi 1956 yılında John McCarthy tarafından geliştirilmiştir. John McCarthy YZ’yi “akıllı makineler yapma bilimi ve mühendisliği” olarak tanımlamıştır. Ayrıca, YZ “aynı anda iki farklı fikri akılda tutma ve fonksiyon için yeteneğinin hala devam ediyor olması” şeklinde de tanımlanabilmektedir [55]. Daha geniş olarak ise YZ "bir sistemin harici verileri doğru şekilde yorumlaması, bu tür verilerden öğrenme ve bu öğrenmeleri esnek adaptasyon yoluyla belirli hedeflere ve görevlere ulaşmak için kullanma yeteneği" şeklinde de tanımlanmaktadır [60]. Yapay zeka geçmiş deneyimlerden öğrenme, karar verme mantığı, çıkarım gücü ve hızlı cevap özelliklerini içermeli, karmaşıklık ve belirsizlikle başa çıkabilmelidir [55]. YZ güvenlik, araştırma, robotik, ses tanıma, ulaşım ve daha pek çok alanda başarılı olduğu kanıtlanan sinir ağları, derin öğrenme, istatistik, makine öğrenmesi gibi diğer pekçok alanı içerir ve bu haliyle sadece insanların iş yükünü azaltmakla kalmaz, aynı zamanda hayali kurulan yeni alanlar da açar [57].

İngiliz matematikçi Alan Turing İkinci Dünya Savaşında Alman ordusu tarafından kullanılan Enigma kodunu çözmek amacıyla İngiliz hükümeti için yaklaşık 7x6x2 fit genişliğinde ve yaklaşık 1 ton ağırlığında, ilk çalışan elektro-mekanik bilgisayar olarak kabul edilen “Bombe” adlı bir kod kırma makinesi geliştirmiştir. Bu makinenin böyle bir kodu çözebilmesi, Alan Turing’i makinelerin zekası konusunda meraklandırmış ve 1950’de akıllı makinelerin nasıl oluşturulacağı ve zekalarının nasıl test edileceği konusunda bilgi verdiği “Bilgisayar ve Zekası” adlı makalesini hazırlamaya yönlendirmiştir. Makalede yapay bir sistemin zekasını belirlemek için ölçüt olarak kullanılan “Bir insan başka bir insanla ve bir makineyle etkileşim halindeyse ve makineyi insandan ayırt edemiyorsa, makinenin akıllı olduğu söylenir” kriteri bugün hala kullanılan “Turing Testi” olarak bilinir. Bu süreçten 6 yıl sonra “Yapay Zeka”

ifadesi resmen ortaya atıldı. Ancak, 1970’lerde ABD ve İngiltere gibi ülkelerde yapay zeka araştırmaları üzerine yapılan araştırmalar ve ayrılan fonlar oldukça eleştirildiğinden bu alanda bir durgunluk dönemi yaşanmıştır. Sadece Japonya 1980’de bu alana daha fazla fon ayırmıştır. 1997’de dünya şampiyonu ünlü satranççı Gary Kasparov'u yenmeyi başaran IBM’in Deep Blue satranç oynama programının saniyede 200 milyon olası hareketi işleyebildiği ve “ağaç arama” adı verilen bir yöntemi kullanarak 20 hamle ileriye bakarak bir sonraki en uygun hareketi belirleyebildiği bildirilmiştir. Ancak, uzman sistem olarak adlandırılan böyle bir sistem gerçek yapay zeka olamadığından yüzleri tanımak, bir çörek ile bir tür köpeği resimden ayırmak konularında iyi performans gösterememektedir. Bu tip fonksiyonlar için bir sistemin dış verileri doğru şekilde yorumlayabilmesi, verilerden öğrenebilmesi ve bu öğrenmeleri yapay zekayı tanımlayan özellikler olan esnek adaptasyon yoluyla belirli hedeflere ve görevlere ulaşmak için kullanabilmesi gerekmektedir. Google tarafından geliştirilen bir program olan AlphaGo, 2015 yılında Go tahta oyununda dünya şampiyonunu yenmeyi başardığında Derin Öğrenme biçiminde bir geri dönüş yapmıştır. Bugün yapay sinir ağları ve Derin Öğrenme, YZ etiketi altında bildiğimiz çoğu uygulamanın temelini oluşturmaktadır [60].

1950’lerde akademik bir disiplin olarak kurulan YZ, yarım yüzyıldan fazla bir süre göreceli bilimsel belirsizlik ve sınırlı uygulama alanı olarak kalmışken, günümüzde büyük veri artışları ve bilgi işlem gücündeki artışlar nedeniyle iş ortamı ve kamusal alana girmiştir. Yapay zeka sergilediği zeka türlerine göre analitik, insandan

esinlenilmiş ve insanlaştırılmış olarak veya gelişme aşamasına göre yapay dar, genel ve süper zeka olarak sınıflandırılabilmektedir [60]. YZ ile ilgili bilgisayar sistemleri günümüzde büyük veri olarak bilinen büyük veri kümeleri içindeki karmaşık doğrusal olmayan ilişkileri tanımlamak için birden fazla algoritma kullanan esnek matematiksel modeller olan yapay sinir ağlarına dayanır [10]. Dolayısıyla, YZ elementleri insan elementi, bilgi tabanı ve algoritma setinden, bileşenleri ise öğrenme, problem çözme, mantık ve akıl yürütme, algı, dil-anlama, sinir ağı ve makine öğrenmeden oluşur.

Sektörleri ise genetik programlama, veri madenciliği, model tanıma ve uzman sistemden oluşur [55,57]. Yapay zeka alanında iki temel yaklaşım söz konusudur.

Bunlardan ilki bilgi mühendisliği sistemleri, mantık programlama ve mantıksal muhakemeye dayanır. İkincisi ise mikroskobik biyolojik modelleri kapsar. Yapay sinir ağları (YSA; Artificial Neural Network-ANN) ve genetik algoritmalar ikinci yaklaşımın örneğidir. Matematiksel olarak bir YSA, her düğümün (node) bir nöron modelini uyguladığı doğrudan bir grafik olarak ifade edilebilir [61].

2.4.1. Yapay Zeka Bileşenleri

2.4.1.1. İnsan Unsuru

Bu, insan ile makine arasındaki bir bağlantıyı ifade eder. Makine veya basitçe bir algoritma, insanlar tarafından anlaşılması ve işlenmesi zor olan 0 ve 1’lerin dilini anlar.

Böylece, kullanıcıdan yön alabilen, işleyebilen ve daha sonra doğru sonuçlar veren etkileşimli bir arayüz rolü vardır [57].

2.4.1.2. Bilgi Tabanı

YZ, içinde bulunan verileri analiz etmeye çalışır. Ne kadar çok veri beslenirse, o kadar verimli sonuç sağlayacaktır. Bilgi tabanı ayrıca bazı kalıpları incelemek ve aramak için önceki sonuçları da içerir. YZ, verileri analiz eder, işler ve en iyi sonuçları sağlamak için büyük bilgi yığınlarını karşılaştırır. Mevcut soruna bir çözüm bulmak için veri algoritmalarını ve depolanan çeşitli diğer mantıkları kullanır [57].

2.4.1.3. Algoritma Seti

YZ arayüzü, büyük miktarda veri ile beslenmesine rağmen, bu verileri işlemek ve gerçekleştirmek için belirli bir talimat seti veya algoritma gerektirir. Bu tür algoritmalar, istatistik, olasılık, hesap ve cebir gibi çeşitli matematiksel araçları kullanarak birlikte çalışan programcılar ve veri bilimcileri tarafından sağlanır [57].

Bulanık mantık yapay zekanın küçük bir bölümüdür. Bulanık mantık problem çözmeye matematiksel bir yaklaşımdır. Bulanık mantık ABD’de icat edilmiş ve gelişmesi Japonya’dan başlamıştır. 1960’da Dr. Lotfi Zadeh tarafından doğal dilin belirsizliğini modellemek için bir araç olarak tanıtılmış ve iki değerli mantık kuramlarına bir alternatif oluşturmuştur [55]. Ancak, "Bulanık" sözcügünün mantık bilimiyle iliskilendirilmesindeki zorluk nedeniyle, başlangıçta Zadeh tarafından ortaya atılan bu kuramla ilgili olarak “mantığın bulanık olanı da mı olurmuş” şeklinde eleştiriler gelmiştir [62].

İnsan beyni belirsizlikler ve yargılar üzerinden akıl yürütebilirken, bilgisayarlar sadece kesin değerleri değiştirebilir. Bulanık mantık bu iki tekniği birleştirme girişimidir [55,62]. Bulanık mantık metro sistemleri, çamaşır makinesi gibi ev aletlerinin (deterjan miktarı veya çamaşır yükü gibi yönlerden) kontrolü, teşhis sistemleri gibi alanlarda çok yararlı özellikleri olduğundan üretim süreçlerinde oldukça kullanışlıdır.

Geleneksel mantıkta bir nesne sıfır veya bir değerini alır, ancak bulanık mantıkta bir nesne 0 ile 1 arasında herhangi bir gerçek değeri alabilir. Bulanık mantıkla nöral network’lerin kombinasyonunu kullanır [55].

2.4.2. Yapay Zeka Sektörleri

2.4.2.1. Genetik Programlama

Tıpkı insanların evrimleştiği gibi, en uygun genler de insan ırkını evrimleştirmek için birçok nesil boyunca mutasyona uğradı. Benzer şekilde, insan evriminden esinlenerek, genetik programlama, kullanıcı tanımlı görev için bir çözüm bulmak için birden fazla nesil boyunca rastgele mutasyon, geçişler gerçekleştiren bir algoritma yürütür [57].

2.4.2.2. Veri Madenciliği

Veri madenciliği, verilerdeki kalıpları veya eğilimleri arayan, filtreleyen ve temiz bir yararlı set getiren YZ algoritmalarının yardımıyla büyük bir ham verinin yararlı bir bilgi kümesine dönüştürüldüğü bir süreçtir [57].

2.4.2.3. Örüntü Tanıma

Örüntü tanıma, daha önce elde edilen bilgilere veya verilerde bulunan belirli kalıplara dayalı istatistiksel kayıtlara göre büyük veri tabanlarını sınıflandırmak ve sıralamak için bir makine öğrenme algoritmasının kullanıldığı bir işlemdir [57].

2.4.2.4. Uzman Sistem

Uzman sistem, bir insan uzmanın karar verme yeteneğini simüle eden makine sistemidir. Bu sistemler, karmaşık kararlar almak, uzmanların karmaşık akıl yürütme algoritması yoluyla hareket edeceği şekilde hareket etmek, akıllı tavsiyelerde bulunmak, kararlar veya talepler hakkında açıklamalar yapmak ve gerekçeler sunmak için tasarlanmıştır [55,57]. Uzman sistemler, belirli bir alan hakkında iyi tanımlanmış uzmanlık bilgilerinden oluşan geniş bir veritabanına dayanmaktadır. MYCIN, TURNX, PROSPECTOR gibi uzmanlık eğitimi, tasarım ve sorun giderme vb. İçin tasarlanmış birçok uzman sistem mevcuttur. Yapılandırılmamış bir dizi LISP işlevinden oluşan ve çeşitli sembolik matematiksel görevleri yerine getiren MACSYMA en eski uzman sistemlerden biridir [55].

Uzman sistemlerin insanlardan daha iyi iş çıkarması, daha az hata yapması, insan uzmanlığına göre daha ucuz olması, belirli bir alandaki benzersiz becerilere iyi bir şekilde konsantre olabilmeleri için uzmanların mekanik türde tekrarlayan görevlerini yerine getirebilme yetisine sahip olmaları, pekçok yöneticinin karar stiliyle uyumlu olmaları, insanlar için uygun olmayan ortamlarda işlem yapılmasını sağlayabilmeleri ve sanayinin üretkenliğini artırmaları gibi yararlı yönleri vardır [55].